本文提出了一种统一的一步解决方案 One-ASQP，用于检测方面类别并同时识别方面 - 意见 - 情感 (AOS) 三元组，旨在扩展 Aspect sentiment quad prediction (ASQP) 的能力，并公开了两个新的 ASQP 数据集，以解决现有基准和数据集规模较小的问题。

Jun, 2023

通过构建两个大型的中文 aspect sentiment quad prediction（ASQP）数据集，我们评估了 GPT 系列模型在 ASQP 上的性能，并展示了潜在的问题，同时强调了需要探索额外技术以解决 ASQP 以及改善 GPT 性能的重要性。

Nov, 2023

本文提出了基于语义生成以及 ASQP 任务的方案，能够通过一个句子实现四个情感因素的预测，从而揭示一个更全面的方面级别情感结构。同时该方案可以以端到端的方式从生成的角度来解决 ASQP 任务，充分利用情感元素的语义信息，取得了很好的实验效果及其在其他任务上的良好通用性。

Oct, 2021

本文探讨了模板顺序对方面情感四元组预测任务的影响，并提出了通过最小化熵选择模板顺序并使用多种合适的模板进行数据增强提高该任务表现的方法。在低资源情况下，该方法优于现有的最先进方法。

Oct, 2022

Aspect Sentiment Quad Prediction (ASQP) 任务是在基于方面的情感分析中预测给定评论的所有四元组（方面术语、方面类别、意见术语、情感极性）的最具代表性和具有挑战性的任务。我们提出了一个自训练框架，其中包含一个伪标签评分器，用于评估评论与其伪标签之间的匹配程度，目的是过滤掉不匹配的部分，从而增强自训练的效果。我们还探索了使用大型语言模型替代人类进行对比数据集注释的可能性，并且实验证明了其可行性。

Jun, 2024

该研究提出了自适应数据增强（ADA）框架来解决情感分析中的数据不平衡问题，并探索了生成框架用于提取完整的情感四元组。实验结果表明，自适应数据增强方法对于改善情感分析任务中的数据不平衡问题具有优势。

Jan, 2024

通过模型的自洽性推理和相应的情感四元组生成，SCRAP 显著提高了应对复杂推理任务的能力，并通过一致性投票正确预测四元组，从而在 ASQP 中获得了增强的可解释性和准确性。

Mar, 2024

本文介绍了 Multi-view Prompting （MvP） 的概念，该方法通过不同的视角聚合在指定格式中生成的情感元素，可以有效地模拟多视角和多任务。MvP 通过元素顺序提示，引导语言模型生成多个情感元组，并通过投票选择最合理的元组。研究表明，该方法在 4 项基准任务中的 10 个数据集上，甚至在低资源设置中都显著提升了现有最先进的性能，并得到了广泛的评价验证，证实了 MvP 的有效性、灵活性和跨任务可转移性。

May, 2023

本研究提出了一种基于软提示的联合学习方法，通过结合外部语言特征，实现了源域和目标域之间的不变表示，通过多个目标桥接了不同分布的方面术语，插值了一组可转移的软提示来检测目标域中的方面术语。

Mar, 2023

本文提出了一个统一的框架来解决基于方面的情感分析（ABSA）及其相关子任务，通过在多任务学习模式下使用 T5 模型，通过教学提示进行 fine-tuning，并在多个基准数据集上实现了表现提升（F1 绝对值增加了 6.75），特别是在少样本情况下。

Oct, 2022